数据预处理
1 数据清洗
数据清洗基本上是数据预处理的首要步骤
1 处理缺失值
对于缺失值特征较少的几个数据,可以删除,或者补充,均不会导致丢失太多信息
补充缺失值的方法,例如插入均值,中位数,众数
对于缺失值较多的特征列,我们则选择删除该列
2 处理异常值
检测异常值,然后删除异常值
检测异常值的方法常用基于聚类的异常值检测方法
例如 Kmeans DBSCAN Isolation Forest(孤立森林)
3 处理重复值
检测重复值,通常采用遍历的方式检测重复值,然后移除
2 数据转换
四种:归一化,标准化,特征编码,特征降维(PCA)
1 标准化:x-均值/标准差,均值为0,标准差为1
2 归一化:最大最小归一化 x-min/max-min 能够将数据归结到 01范围
3 特征编码:依据任务要求,例如 one hot 编码,embedding编码
4特征降维:常用方法 PCA LDA,用的多的还是 PCA
PCA主成分分析:一般用于数据特征列存在相关性比较高,能够去除冗余信息
LDA 线性判别分析